Kódování textových souborů a znaky konce řádku

Znakové sady

Textové soubory používají znakové sady zahrnující interpunkci, číslice, velká a malá písmena i ostatní tisknutelné znaky. Každý znak je určen číslem.

Většina používaných znakových sad rozšiřuje americkou znakovou sadu ASCII, jejíchž 95 tisknutelných znaků má číselné hodnoty od 32 do 126. Hlavní skupiny znakových sad jsou:

Znaková sada Windows (jednobajtové kódování): Starší jednobajtové kódové stránky Windows, často označované jako kódové stránky ANSI, používají 8 bitů na znak a mohou přiřadit nejvýše 256 (2^8) hodnot. Různé kódové stránky poskytují různé znaky pro konkrétní jazyky; jediná stránka nepokrývá všechny jazyky. Moderní Windows podporuje také kódování Unicode.
Vícebajtová znaková sada: Mnohé východoasijské systémy písma potřebují více znaků, než dokáže vyjádřit jednobajtové kódování. Starší dvoubajtové kódové stránky používají na znak jeden nebo dva bajty. Jiná vícebajtová kódování mají odlišná pravidla; například UTF-8 používá jeden až čtyři bajty na skalární hodnotu Unicode. Ke správnému dekódování bajtů je nutné znát použité kódování.
Znaková sada Unicode: Unicode přiřazuje kódové body znakům různých systémů písma, interpunkci, symbolům a dalším textovým prvkům. UTF-8, UTF-16 a UTF-32 kódují text Unicode pomocí různě velkých kódových jednotek. UTF-16 používá pro znak v základní vícejazyčné rovině jednu 16bitovou kódovou jednotku a pro doplňkový znak dvojici 16bitových jednotek. Unicode není omezen na 65 536 znaků a při čtení nebo zápisu textového souboru je třeba zvolit správné kódování.
Znaková sada OEM: Znaková sada OEM se obvykle používá k zobrazení v celoobrazovkových relacích MS-DOS. Tisknutelné znaky 32 až 126 bývají stejné ve znakových sadách OEM, americké ASCII a Windows. Ostatní znaky sady OEM (0 až 31 a 128 až 255) odpovídají znakům, které lze zobrazit v celoobrazovkové relaci MS-DOS. Obvykle se liší od znaků Windows.
Znaková sada Symbol: Sada Symbol obsahuje zvláštní znaky používané v matematických a vědeckých vzorcích.

Znaky konce řádku

Textové soubory používají různé konce řádků. MS-DOS, Windows a OS/2 tradičně používají CR/LF; UNIX a moderní macOS používají LF. Klasický Mac OS používal CR.

Symbol	Význam	Použití	Znak	Hex
CR	Návrat vozíku	Klasický Mac OS	\r	0x0d
LF	Posun řádku	UNIX, moderní macOS	\n	0x0a
CR/LF	Návrat vozíku/posun řádku	MS-DOS, Windows, OS/2	\r\n	0x0d, 0x0a
NULL	Nulový znak		\0	0x00

Viz také

Převod obsahu souborů